/

지상 생태계 기능 역할을 하는 3대 축 요약 정리

지상 생태계 기능 역할을 하는 3대 축 요약 정리

생태계 기능은 환경 조건과 생태 군집을 구성하는 종의 특성에 따라 달라진다. 그러나 지상 생태계 기능의 변동 3대 축은 대체로 알려지지 않았다. 지상 생태계의 3대 축은 주로 식생 구조의 변화에 의해 설명된다. 지상 생태계가 전체적으로 인공적인 동인, 기후 및 환경 변동성에 어떻게 반응하는지 알아보고 3대 축에 대해서 알아보겠다.

사회가 의존하는 지상 생태계

지상 생태계는 사회가 의존하는 다양한 기능과 생태계 서비스를 제공한다. 기후 및 기타 환경 변화에 대한 생태계 전체의 반응 메커니즘을 이해하고 예측하기 위해서는 전체 생태계 기능의 좋은 표현을 얻기 위해 몇 개, 어떤 기능을 측정해야 하는지 규명하는 것이 중요하다. 지금까지 지상 생태계의 행동을 제어하는 핵심 기능축은 아직 계량화되지 않았다. 이것은 주요 지상 생물군에 걸쳐 일관되게 측정된 포괄적인 생태계 기능 집합과 다양한 기후 조건 사이의 연관성을 식별함으로써 달성될 수 있다. 여기서, 우리는 지상 생태계 기능의 주요 축과 이러한 축을 따라 변동의 근원을 식별하고 수량화합니다. 첫째, 우리는 주요 지상 생물군에 걸쳐 여러 생태계 기능을 특성화한다. 둘째, 우리는 식물 형태와 기능의 전역 스펙트럼에 사용되는 것과 유사한 탐색 분석을 사용하여 생태계 기능의 가장 중요한 변동 축을 식별한다. 셋째, 우리는 기후 변수 집합과 식물의 구조적, 화학적 특성에서 이러한 축을 따라 어떤 변수가 변화를 주도하는지 분석한다. 넷째, 우리는 두 개의 최첨단 지표면 모델이 생태계 기능의 핵심 축을 재현하는 정도를 분석한다. 생태계 기능의 다차원 공간의 주요 변동 축, 그 동인 및 지표면 모델이 그 축을 정확하게 나타낼 수 있는 정도를 이해하고 정량화하는 것은 어떤 지상 기능이 기후 및 환경 변화에 가장 취약한지를 예측하는 데 중요한 전제 조건이다. 우리는 FLUSNET 데이터 세트의 203개 사이트의 이산화탄소, 수증기 및 에너지 플럭스 데이터를 사용한다. 이 지역들은 매우 다양한 기후 지역과 식생 유형을 포함한다. 이전 보고서는 지표면-대기 상호 작용을 제어하는 주요 생리학적 및 생태학적 과정의 효율성 또는 잠재적 속도와 관련된 탄소, 물 및 에너지 플럭스 관찰에서 도출할 수 있는 일련의 핵심 생태계 기능 특성을 제안했다. 각 사이트에 대해, 우리는 단일 기능 속성 최대 총 CO2 흡수, 광포화, 최대 순 생태계 생산성, 최대 증발량, 증발 분율, EF 진폭, 최대 건조 캐노피 표면 전도도, 최대 및 평균 기저 생태계 호흡 및 명백한 탄소 사용 효율성을 계산했습니다. 생태계로 들어오는 탄소의 주요 부분. 우리는 또한 물리적 증발과 기공 조절 효과를 다양한 방식으로 설명하는 성장 계절 물 사용 효율에 대한 몇 가지 측정 기준을 계산했다. 기본 WUE, 생태계 규모의 기공 기울기 및 WUE의 두 번째 변형인 WUEt는 증산 추정치에 기반합니다. 우리는 누적 토양 수분 가용 지수, 평균 연간 강수량, 평균 단파 유입 방사선, 평균 공기 온도 및 성장기 평균 증기 압력 부족 등을 포함하는 각 현장의 평균 기후 및 토양 수분 가용 변수를 계산했다. 또한 엽상 질소 농도, 최대 잎 면적 지수, 최대 캐노피 높이, 지상 바이오매스와 같은 캐노피 규모 구조 변수에 대한 정보를 수집했습니다. 지상 생태계 기능의 다차원 공간의 핵심축은 주성분 분석을 이용하여 파악하였다. 우리는 처음 세 개의 변동 축이 다차원 기능 공간 변동의 71.8%를 설명한다는 것을 발견했다. 첫 번째 축은 분산의 39.3%를 설명하며, GPPsat 및 NEPmax의 로딩으로 표시된 최대 생태계 생산성 특성과 최대 증발량에 의해 지배된다. 또한 Rb는 생산성과 생태계 호흡 사이의 결합을 나타내는 양의 로딩에 기여한다. 첫 번째 축은 낮은 생산성과 증발량을 가진 지역에서 높은 광합성, 높은 순생산성, 높은 최대 증발량을 가진 지역으로, 즉 춥고 건조한 관목지와 습지에서 대륙, 열대, 온대 기후의 숲으로 이어진다. 두 번째 축은 분산의 21.4%를 설명하고 물 사용 효율성 측정 기준, 증발 분율 및 최대 표면 전도도의 적재로 표시된 물 사용 전략을 참조합니다. 식물 기능형은 상록수와 잡목림을 제외한 두 번째 축의 변동성과 범위의 반대 극단에 있는 습지를 명확하게 설명하지 못한다. 이 축은 평균 증발률은 낮지만 물 사용효율이 높은 온대림, 건조 및 아열대 지역에서부터 높은 증발률, 높은 표면 전도도, 낮은 물 사용효율을 가진 습지까지 이어진다. 세 번째 축은 분산의 11.1%를 설명하고 생태계의 탄소 사용 효율성을 반영하는 주요 속성을 포함합니다. PC3는 명백한 탄소 사용 효율, 기초 생태계 호흡 및 EF의 진폭에 의해 지배된다. Rb와 aCUE는 서로 반대되는 로딩으로 PC3에 기여하는데, 이는 PC3가 높은 aCUE와 낮은 Rb를 갖는 사이트부터 낮은 aCUE와 높은 Rb를 갖는 사이트까지 다양함을 나타낸다. 세 번째 축은 낮은 PC 값을 가진 북극과 한대 지역에서 고온 건조한 기후까지 이어져 있으며, 잠재적으로 동화된 탄소를 사용하기 위한 생태계의 효율성에 대한 건조함과 온도의 흔적을 나타낸다. 우리는 PC3 범위의 극단에 있는 낙엽성 숲과 상록수 숲을 제외하고 식물 기능 유형과 명확한 관계를 찾지 못했다.

불변 인과 회귀 모형 및 인과 변수의 중요도

우리는 비선형 회귀 분석을 사용하여 다양한 구조 및 기후 변수에 대한 주요 구성 요소의 의존성을 정량화했다. 이러한 종속성은 회귀 모형이 실제로 인과 회귀 모형인 경우에만 인과적으로 해석될 수 있으며, 숨겨진 교란이 있는 경우에는 그렇지 않을 수 있습니다. 회귀 모델이 인과적 해석을 허용하는지 여부를 확인하기 위해, 우리는 불변 인과 예측을 사용한다. 이 방법은 다른 환경에 의해 인코딩 된 데이터의 다른 이질성 패턴과 관련하여 회귀 모델이 안정적인지 여부를 조사한다. 근거는 반응 변수에 대한 전체 인과 메커니즘을 설명하는 인과 모델이 반응 변수에 직접 영향을 미치지 않는 경우 환경의 변화와 관련하여 불변해야 한다는 것이다. 다른 비원인 모델도 불변일 수 있지만, 비 불변 모델은 인과관계로 간주될 수 없습니다. 환경을 선택하는 방법은 다음 기준을 만족해야 하는 모델링 선택이다. 첫째, 각 데이터 지점을 정확히 하나의 환경에 할당할 수 있어야 합니다. 둘째, 환경은 데이터의 이질성을 유도해야 하며, 이를 통해 예측 변수가 환경마다 다른 분포를 가질 수 있습니다. 셋째, 반응의 분포가 환경 간에 여전히 변경될 수 있지만, 환경은 예측 변수를 통해서만 반응 변수에 직접 영향을 미쳐서는 안 됩니다. 세 번째 기준은 전문가의 지식에 의해 검증될 수 있으며 우리의 분석을 위해 유지되는 것으로 가정된다. 또한, 만약 위반된다면, 일반적으로 데이터로부터 감지될 수 있는 불변 집합은 없다. 분석 결과, 우리는 각 데이터 포인트를 두 환경 중 하나에 할당했는데, 첫 번째 환경에는 북미, 유럽 또는 아시아의 숲 사이트가 포함되고 두 번째 환경에는 남미, 아프리카 또는 오세아니아의 숲과 숲이 아닌 생태계가 포함되며, 그리고 북미, 유럽 또는 아시아의 숲이 아닌 생태계가 포함됩니다. 우리의 선택은 예측 변수의 분포가 두 환경 간에 다르다는 방법의 가정을 만족시킨다. 너무 작거나 너무 동질적인 환경은 전체 공변량 집합이 인과 예측 변수 집합의 후보가 된다는 증거를 제공하지 않습니다. 여기에 제시된 환경 이외의 다른 환경 선택은 일관된 결과를 산출합니다. 예측 변수의 각 하위 집합에 대해 해당 회귀 모델이 불변인지 여부를 테스트합니다. 많은 모델이 거부되고 불변으로 간주되었지만, 전체 모델은 불변으로 받아들여져 전체 공변량 집합을 직접 인과 예측 변수 집합에 대한 합리적인 후보로 설정했다. 우리는 RF 모델과 일반화된 가산 모델인 GAM61을 모두 사용하여 모델을 맞추었다. 두 방법 모두 비슷한 결과를 가져오지만 RF GAM의 평균 성능이 더 좋으면 PC1의 RF보다 약간 더 나은 결과를 얻은 반면 PC2와 PC3의 RF는 훨씬 더 나은 모델 성능을 보여주었다. 따라서 본문에서는 RF의 결과만 보여주었습니다. 실제로, 고려된 회귀 모델이 인과적이라면, 이를 통해 우리는 몇 가지 진술을 할 수 있다. 첫째, 적합 모델에서 각 예측 변수의 통계적 유의성을 검사하여 인과적 효과의 존재를 검정할 수 있습니다. 둘째, 적합 모형의 반응 곡선을 사용하여 인과적 해석을 통해 변수 중요도 측도를 정의할 수 있습니다. 본문에서 우리는 이 변수 중요도를 ‘원인 변수 중요도’라고 부른다. 보다 형식적으로 모든 공변량에 대한 공동 개입에 따른 예측 변수의 기댓값을 한 번에 고려한 다음 중요성을 정의하기 위해 이 기댓값이 다른 공변량에 따라 어떻게 달라지는지를 정량화했다. 우리는 식생 구조 및 기후 공변량 그룹에 동일한 분석을 적용했습니다.